Python嵌套for循环问题求助：PDF名称输出格式异常

原代码核心问题 #

1. PDF名称匹配错误：通过全局soup.find获取col-download-data，只会拿到页面第一个匹配的文件名，无法对应当前遍历的PDF链接
2. 输出格式未拼接：直接分开打印三个元素，未按「Roco + 产品编号 + PDF名称」的要求组合
3. 逻辑冗余：遍历所有<a>标签时，非PDF链接也会执行信息提取代码，导致无效操作
4. 列表未利用：定义pdflist但未用于收集PDF信息，无法批量处理结果

修正后的代码 #

import requests
from bs4 import BeautifulSoup
import re

productlinks = []

# 提取产品列表页面的链接
for x in range(1, 2):
    r = requests.get(
        f'https://www.roco.cc/ren/products/locomotives/steam-locomotives.html?p={x}&verfuegbarkeit_status=41%2C42%2C43%2C45%2C44')
    soup = BeautifulSoup(r.content, 'lxml')
    productlist = soup.find_all('li', class_='item product product-item')

    for item in productlist:
        link = item.find('a', class_='product-item-link', href=True)
        if link:  # 增加空值判断，避免无效链接
            productlinks.append(link['href'])

pdflist = []

# 遍历每个产品页面提取PDF信息
for url in productlinks:
    r = requests.get(url, allow_redirects=False)
    soup = BeautifulSoup(r.content, 'html.parser')
    
    # 获取产品编号
    try:
        reference = soup.find('span', class_='product-head-artNr').get_text().strip()
    except Exception as e:
        print(f"获取产品编号失败: {e}")
        reference = "未知编号"
    
    # 仅遍历带onclick属性的a标签，精准筛选PDF链接
    for tag in soup.find_all('a', onclick=True):
        on_click = tag.get('onclick')
        pdf_match = re.findall(r"'([^']*\.pdf)'", on_click)  # 匹配以.pdf结尾的链接
        if pdf_match:
            # 从当前PDF链接所在的表格行中提取对应名称
            try:
                parent_tr = tag.find_parent('tr')
                pdfname = parent_tr.find('td', class_='col-download-data').get_text().strip() if parent_tr else "未知名称"
            except Exception as e:
                print(f"获取PDF名称失败: {e}")
                pdfname = "未知名称"
            
            # 拼接成期望格式并收集
            pdf_info = f"Roco {reference} {pdfname}"
            pdflist.append(pdf_info)
            print(pdf_info)

# 可选：保存结果到文件
# with open('roco_pdf_info.txt', 'w', encoding='utf-8') as f:
#     for info in pdflist:
#         f.write(info + '\n')

关键修改说明 #

1. 精准匹配PDF名称：通过当前<a>标签向上查找所在的<tr>表格行，再提取该行的文件名，确保每个PDF链接对应正确的名称
2. 优化筛选逻辑：直接遍历带onclick属性的<a>标签，用正则精准匹配.pdf结尾的链接，减少无效遍历
3. 格式拼接：直接将三个元素组合成期望的字符串格式，符合输出要求
4. 增加异常防护：对产品编号、父节点等增加空值校验，避免页面结构异常导致程序中断
5. 有效收集结果：将所有PDF信息存入pdflist，支持后续批量保存或处理

内容的提问来源于stack exchange，提问作者Filip Chobodicky